源码包含：完整 YOLOv8 训练代码+数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程，源码在文末哔哩哔哩视频简介处获取。

• 坐着

• 睡觉

• 站着

• 走路

配合 PyQt5 图形化界面，用户无需命令行操作，直接通过界面即可完成检测，真正实现“开箱即用”。

项目摘要

铁路交通安全一直是社会关注的重点，尤其在铁轨周边出现行人不当行为（如坐卧、逗留、走动等）时，极易引发安全事故。传统的人工监控方式效率低下，容易出现漏检。

本项目基于 YOLOv8 目标检测算法，结合 自采集+标注的数据集，实现了对 铁轨旁危险行为的实时自动识别。此外，项目集成了 PyQt5 图形化界面，使检测与训练更加直观便捷，适合科研人员、开发者以及铁路相关单位直接使用与部署。

前言

研究背景：随着铁路交通的发展，铁轨旁人群的行为监测对安全保障意义重大。

技术选择：YOLOv8 作为 Ultralytics 最新一代实时检测模型，具备更快速度、更高精度，非常适合部署在实时监控场景。

创新点：

1. 数据集覆盖多种典型危险行为；

2. 一键式 PyQt5 界面，降低使用门槛；

3. 提供完整源码与训练流程，真正做到可复现与可部署。

一、软件核心功能介绍及效果演示

1.1 实时检测功能

• 支持 USB 摄像头/监控摄像头/视频文件 输入；

• 实时检测并标注行为类别，输出带有检测框与标签的视频画面；

• 检测结果可保存为日志或检测视频。

1.2 PyQt5 图形化界面

• 按钮式操作，支持 一键加载视频、一键开启摄像头、一键开始检测；

• 检测结果实时显示在界面窗口；

• 支持 检测结果导出。

1.3 模型训练与推理功能

• 提供完整 YOLOv8 训练脚本；

• 支持 重新训练自定义数据集；

• 已附带训练完成的权重，可直接推理使用。

1.4 效果演示

例如，摄像头检测到铁轨旁有人 坐着或睡觉，界面中会实时显示 红色警告框，站立/行走的行为则以正常标识显示。

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。其核心优势如下：

• 高速推理，适合实时检测任务

• 支持 Anchor-Free 检测

• 支持可扩展的 Backbone 和 Neck 结构

• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；

• 准确率高：支持 Anchor-Free 架构；

• 支持分类/检测/分割/姿态多任务；

• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；

• weights/best.pt：最佳模型权重；

• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2from ultralytics import YOLOimport torchfrom torch.serialization import safe_globalsfrom ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构safe_globals().add(DetectionModel)
# 加载模型并推理model = YOLO('runs/detect/train/weights/best.pt')results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像img = cv2.imread(str(save_path))cv2.imshow('Detection Result', img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI 完整源码打包

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码

至项目实录视频下方获取：https://www.bilibili.com/video/BV1jGa3zdEad

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目基于 YOLOv8 构建了一个针对 铁轨旁危险行为（坐着、睡觉、站着、走路） 的实时识别系统，完整实现了 数据集构建、模型训练、权重生成、推理检测 到 PyQt5 图形化界面部署 的闭环流程。

• 开箱即用：提供训练好的权重和可执行检测程序，用户无需繁琐配置即可快速上手；

• 功能全面：支持实时摄像头检测、视频文件检测、结果可视化展示；

• 界面友好：PyQt5 界面降低使用门槛，让非专业用户也能轻松操作；

• 应用价值：可直接应用于铁路沿线监控、车站安防、轨道交通安全管理等场景。

该系统在保证 检测精度与速度 的同时，具备良好的扩展性，未来可以进一步增加行为类别，并结合 智能预警与报警机制，助力铁路安全管理的智能化升级。